金融市场作为国家经济体系的一部分,其对于民生经济的重要性不言而喻。金融市场的变化常常预示着国家经济发展状态的走向,对金融领域的控制能力也常常被视为国家重要的核心竞争能力。从国家层面来看,对股票价格等金融时序的精准预测有利于相关战略政策的实施与部属。对于企业与个人来讲,股价的准确预测可以从中获利并做出长期规划。所以对于股价的预测在业界一直保持着相当的热度。然而金融时序的非线性不平稳特征,以及其中高噪声的特点都使得针对其的预测难以有效的开展。所以应对其高波动的特征,总结以往模型的不足,探索有效的预测模型是具有一定的研究价值的。基于此,本文提出了将传统时间序列预测与深度学习结合的组合模型,并将其与机器学习算法比较。实验对象为中国工商银行股价数据,根据其的变化特征,将数据波动拆分为线性与非线性两个部分,用传统方式拟合股价变化中线性成分,其非线性的部分选择使用带注意力机制的Seq2Seq模型预测,并结合粒子群优化算法,探索固定步长的最佳模型。建模的步骤为先利用ARIMA模型剔除数据的长期趋势,减少股价的波动性,再将去趋势项后的数据作为神经网络的输入,期间用优化算法调整神经网络的两个待优化参数,多种方法结合得到ARIMA-PSO-Seq2Seq组合模型,并综合多模型对比分析思路,一是将组合模型与机器学习SVR支持向量回归模型作对比,二是将组合模型与单一神经网络做对比。文章选用Python语言进行实验模拟,选择MSE、MAE和RMSE作为模型的评价指标,最终建模评估表示,在金融时序有明显趋势的前提下,组合模型的预测效果要优于传统机器学习算法与神经网络单一模型。